Definicion de Factor de inflación de varianza (VIF)
Resume de la forma mas breve posible la definición técnica de este título. Utiliza muchas negritas utilizando HTML tag Factor de inflación de varianza (VIF)
¿Qué es el factor de inflación de varianza (VIF)?
El factor de inflación de la varianza (VIF) es una medida del grado de multicolinealidad en el análisis de regresión. La multicolinealidad existe cuando existe una correlación entre múltiples variables independientes en un modelo de regresión múltiple. Esto puede afectar negativamente a los resultados de la regresión. Por lo tanto, el factor de inflación de la varianza puede estimar cuánto está inflada la varianza de un coeficiente de regresión debido a la multicolinealidad.
Resultados clave
- El factor de inflación de varianza (VIF) proporciona una medida de multicolinealidad entre variables independientes en un modelo de regresión múltiple.
- Detectar la multicolinealidad es importante porque, aunque la multicolinealidad no reduce el poder explicativo del modelo, sí reduce la significancia estadística de las variables independientes.
- Un VIF grande para una variable independiente indica una fuerte colinealidad en las relaciones con otras variables, que debe considerarse o ajustarse al construir el modelo y seleccionar las variables independientes.
Comprensión del factor de inflación de varianza (VIF)
El factor de inflación de la varianza es una herramienta que ayuda a determinar el grado de multicolinealidad. La regresión múltiple se utiliza cuando una persona quiere probar el efecto de varias variables sobre un resultado particular. La variable dependiente es el resultado que está influenciado por las variables independientes: los datos de entrada del modelo. La multicolinealidad existe cuando existe una relación lineal o correlación entre una o más variables o entradas independientes.
Problema de multicolinealidad
La multicolinealidad crea un problema en un modelo de regresión múltiple porque todas las entradas se influyen entre sí. Por lo tanto, no son verdaderamente independientes y es difícil comprobar en qué medida una combinación de variables independientes afecta a la variable dependiente o al resultado en un modelo de regresión.
Aunque la multicolinealidad no reduce el poder predictivo general de un modelo, puede producir estimaciones de coeficientes de regresión que no son estadísticamente significativas. En cierto sentido, esto puede verse como una especie de doble conteo en el modelo.
Desde una perspectiva estadística, un modelo de regresión múltiple con alta multicolinealidad dificultará estimar la relación entre cada una de las variables independientes y la variable dependiente. En otras palabras, cuando dos o más variables independientes están estrechamente relacionadas o miden casi lo mismo, entonces el efecto principal que miden se cuenta dos veces (o más) para todas las variables. Cuando las variables independientes están estrechamente relacionadas, resulta difícil saber qué variable influye en las variables dependientes.
Pequeños cambios en los datos utilizados o en la estructura de la ecuación del modelo pueden conducir a cambios grandes y erráticos en los coeficientes estimados de las variables independientes. Esto es un problema porque el objetivo de muchos modelos econométricos es probar precisamente este tipo de relación estadística entre las variables independientes y la variable dependiente.
Pruebas para resolver multicolinealidad.
Para garantizar que el modelo esté especificado correctamente y funcione correctamente, existen pruebas de multicolinealidad que se pueden ejecutar. El factor de inflación de la varianza es una de esas herramientas de medición. El uso de factores de inflación de varianza ayuda a determinar la gravedad de cualquier problema de multicolinealidad para que el modelo pueda ajustarse. El factor de inflación de la varianza mide en qué medida el comportamiento (varianza) de una variable independiente está influenciado o inflado por su interacción/correlación con otras variables independientes.
Los factores de inflación de varianza proporcionan una medida rápida de cuánto contribuye una variable al error estándar de una regresión. Cuando existen problemas graves de multicolinealidad, el factor de inflación de la varianza será muy grande para las variables involucradas. Una vez identificadas estas variables, se pueden utilizar varios enfoques para eliminar o combinar variables colineales, abordando el problema de la multicolinealidad.
Fórmula y cálculo de VIF.
Fórmula VIF:
VIF
I
«=»
1
1
−
R
I
2
Dónde:
R
I
2
«=»
Coeficiente de determinación no ajustado para
regresión de la i-ésima variable independiente en
restante
\begin{aligned}&\text{VIF}_i = \frac{ 1 }{ 1 – R_i^2 } \\&\textbf{donde:} \\&R_i^2 = \text{Coeficiente de determinación no ajustado para} \ \ &\text{regresión de la i-ésima variable independiente en} \\&\text{restante} \\\end{alineado} VIFI«=»1−RI21Dónde:RI2«=»Coeficiente de determinación no ajustado pararegresión de la i-ésima variable independiente enrestante
¿Qué puede decirte VIF?
Cuando pI2 es 0 y entonces cuando VIF o tolerancia es 1, ith la variable independiente no está correlacionada con las demás, lo que significa que no existe multicolinealidad.
En resumen,
- VIF es igual a 1 = las variables no están correlacionadas
- VIF 1 a 5 = las variables están moderadamente correlacionadas
- VIF mayor que 5 = las variables están altamente correlacionadas
Cuanto mayor sea el VIF, mayor será la probabilidad de que exista multicolinealidad y se necesita más investigación. Cuando el VIF es mayor que 10, existe una multicolinealidad significativa que debe corregirse.
Ejemplo de uso de VIF
Por ejemplo, supongamos que un economista quiere comprobar si existe una relación estadísticamente significativa entre la tasa de desempleo (la variable independiente) y la tasa de inflación (la variable dependiente). Es probable que la inclusión de variables explicativas adicionales relacionadas con la tasa de desempleo, como nuevas solicitudes iniciales de desempleo, introduzca multicolinealidad en el modelo.
El modelo general puede exhibir un poder explicativo fuerte y estadísticamente suficiente, pero no puede determinar si el efecto se debe principalmente a la tasa de desempleo o a las nuevas solicitudes iniciales de desempleo. Esto es lo que detectará el VIF y sugerirá tal vez eliminar una de las variables del modelo o encontrar alguna manera de consolidarlas para capturar su efecto general, dependiendo de qué hipótesis específica esté interesada en probar el investigador.
¿Qué es un buen valor VIF?
Generalmente, un VIF de tres o menos no es motivo de preocupación. Cuanto mayor sea el VIF, menos fiables serán los resultados de su regresión.
¿Qué significa un valor VIF de 1?
Un valor VIF de uno significa que las variables no están correlacionadas y no hay multicolinealidad en el modelo de regresión.
¿Para qué se utiliza el VIF?
VIF mide la fuerza de la correlación entre variables independientes en un análisis de regresión. Esta correlación se conoce como multicolinealidad, lo que puede causar problemas a los modelos de regresión.
Línea de fondo
Aunque un grado moderado de multicolinealidad es aceptable en un modelo de regresión, una mayor multicolinealidad puede ser motivo de preocupación.
Se pueden tomar dos medidas para corregir la alta multicolinealidad. Primero, se pueden eliminar una o más variables altamente correlacionadas porque la información proporcionada por estas variables es redundante. El segundo método consiste en utilizar el análisis de componentes principales o la regresión de mínimos cuadrados parcial en lugar de la regresión MCO, que pueden reducir respectivamente el conjunto de variables a un conjunto más pequeño sin correlación o crear nuevas variables no correlacionadas. Esto mejorará la previsibilidad del modelo.
Preguntas Frecuentes
Incluye tres preguntas frecuentes sobre el contenido dando sus respuestas. Utiliza muchas negritas utilizando HTML tag
¿Qué es el factor de inflación de varianza (VIF)?
El factor de inflación de la varianza (VIF) es una medida del grado de multicolinealidad en el análisis de regresión. La multicolinealidad existe cuando existe una correlación entre múltiples variables independientes en un modelo de regresión múltiple. Esto puede afectar negativamente a los resultados de la regresión. Por lo tanto, el factor de inflación de la varianza puede estimar cuánto está inflada la varianza de un coeficiente de regresión debido a la multicolinealidad.
Resultados clave
- El factor de inflación de varianza (VIF) proporciona una medida de multicolinealidad entre variables independientes en un modelo de regresión múltiple.
- Detectar la multicolinealidad es importante porque, aunque la multicolinealidad no reduce el poder explicativo del modelo, sí reduce la significancia estadística de las variables independientes.
- Un VIF grande para una variable independiente indica una fuerte colinealidad en las relaciones con otras variables, que debe considerarse o ajustarse al construir el modelo y seleccionar las variables independientes.
Comprensión del factor de inflación de varianza (VIF)
El factor de inflación de la varianza es una herramienta que ayuda a determinar el grado de multicolinealidad. La regresión múltiple se utiliza cuando una persona quiere probar el efecto de varias variables sobre un resultado particular. La variable dependiente es el resultado que está influenciado por las variables independientes: los datos de entrada del modelo. La multicolinealidad existe cuando existe una relación lineal o correlación entre una o más variables o entradas independientes.
Problema de multicolinealidad
La multicolinealidad crea un problema en un modelo de regresión múltiple porque todas las entradas se influyen entre sí. Por lo tanto, no son verdaderamente independientes y es difícil comprobar en qué medida una combinación de variables independientes afecta a la variable dependiente o al resultado en un modelo de regresión.
Aunque la multicolinealidad no reduce el poder predictivo general de un modelo, puede producir estimaciones de coeficientes de regresión que no son estadísticamente significativas. En cierto sentido, esto puede verse como una especie de doble conteo en el modelo.
Desde una perspectiva estadística, un modelo de regresión múltiple con alta multicolinealidad dificultará estimar la relación entre cada una de las variables independientes y la variable dependiente. En otras palabras, cuando dos o más variables independientes están estrechamente relacionadas o miden casi lo mismo, entonces el efecto principal que miden se cuenta dos veces (o más) para todas las variables. Cuando las variables independientes están estrechamente relacionadas, resulta difícil saber qué variable influye en las variables dependientes.
Pequeños cambios en los datos utilizados o en la estructura de la ecuación del modelo pueden conducir a cambios grandes y erráticos en los coeficientes estimados de las variables independientes. Esto es un problema porque el objetivo de muchos modelos econométricos es probar precisamente este tipo de relación estadística entre las variables independientes y la variable dependiente.
Pruebas para resolver multicolinealidad.
Para garantizar que el modelo esté especificado correctamente y funcione correctamente, existen pruebas de multicolinealidad que se pueden ejecutar. El factor de inflación de la varianza es una de esas herramientas de medición. El uso de factores de inflación de varianza ayuda a determinar la gravedad de cualquier problema de multicolinealidad para que el modelo pueda ajustarse. El factor de inflación de la varianza mide en qué medida el comportamiento (varianza) de una variable independiente está influenciado o inflado por su interacción/correlación con otras variables independientes.
Los factores de inflación de varianza proporcionan una medida rápida de cuánto contribuye una variable al error estándar de una regresión. Cuando existen problemas graves de multicolinealidad, el factor de inflación de la varianza será muy grande para las variables involucradas. Una vez identificadas estas variables, se pueden utilizar varios enfoques para eliminar o combinar variables colineales, abordando el problema de la multicolinealidad.
Fórmula y cálculo de VIF.
Fórmula VIF:
VIF
I
«=»
1
1
−
R
I
2
Dónde:
R
I
2
«=»
Coeficiente de determinación no ajustado para
regresión de la i-ésima variable independiente en
restante
\begin{aligned}&\text{VIF}_i = \frac{ 1 }{ 1 – R_i^2 } \\&\textbf{donde:} \\&R_i^2 = \text{Coeficiente de determinación no ajustado para} \ \ &\text{regresión de la i-ésima variable independiente en} \\&\text{restante} \\\end{alineado} VIFI«=»1−RI21Dónde:RI2«=»Coeficiente de determinación no ajustado pararegresión de la i-ésima variable independiente enrestante
¿Qué puede decirte VIF?
Cuando pI2 es 0 y entonces cuando VIF o tolerancia es 1, ith la variable independiente no está correlacionada con las demás, lo que significa que no existe multicolinealidad.
En resumen,
- VIF es igual a 1 = las variables no están correlacionadas
- VIF 1 a 5 = las variables están moderadamente correlacionadas
- VIF mayor que 5 = las variables están altamente correlacionadas
Cuanto mayor sea el VIF, mayor será la probabilidad de que exista multicolinealidad y se necesita más investigación. Cuando el VIF es mayor que 10, existe una multicolinealidad significativa que debe corregirse.
Ejemplo de uso de VIF
Por ejemplo, supongamos que un economista quiere comprobar si existe una relación estadísticamente significativa entre la tasa de desempleo (la variable independiente) y la tasa de inflación (la variable dependiente). Es probable que la inclusión de variables explicativas adicionales relacionadas con la tasa de desempleo, como nuevas solicitudes iniciales de desempleo, introduzca multicolinealidad en el modelo.
El modelo general puede exhibir un poder explicativo fuerte y estadísticamente suficiente, pero no puede determinar si el efecto se debe principalmente a la tasa de desempleo o a las nuevas solicitudes iniciales de desempleo. Esto es lo que detectará el VIF y sugerirá tal vez eliminar una de las variables del modelo o encontrar alguna manera de consolidarlas para capturar su efecto general, dependiendo de qué hipótesis específica esté interesada en probar el investigador.
¿Qué es un buen valor VIF?
Generalmente, un VIF de tres o menos no es motivo de preocupación. Cuanto mayor sea el VIF, menos fiables serán los resultados de su regresión.
¿Qué significa un valor VIF de 1?
Un valor VIF de uno significa que las variables no están correlacionadas y no hay multicolinealidad en el modelo de regresión.
¿Para qué se utiliza el VIF?
VIF mide la fuerza de la correlación entre variables independientes en un análisis de regresión. Esta correlación se conoce como multicolinealidad, lo que puede causar problemas a los modelos de regresión.
Línea de fondo
Aunque un grado moderado de multicolinealidad es aceptable en un modelo de regresión, una mayor multicolinealidad puede ser motivo de preocupación.
Se pueden tomar dos medidas para corregir la alta multicolinealidad. Primero, se pueden eliminar una o más variables altamente correlacionadas porque la información proporcionada por estas variables es redundante. El segundo método consiste en utilizar el análisis de componentes principales o la regresión de mínimos cuadrados parcial en lugar de la regresión MCO, que pueden reducir respectivamente el conjunto de variables a un conjunto más pequeño sin correlación o crear nuevas variables no correlacionadas. Esto mejorará la previsibilidad del modelo.
¿Problemas o dudas? Te ayudamos
Si quieres estar al día, suscríbete a nuestra newsletter y síguenos en Instagram. Si quieres recibir soporte para cualquier duda o problema, no dude en ponerse en contacto con nosotros en info@wikieconomia.org.